基于粒子群算法的细菌觅食全局优化算法.pdfVIP

中国科技论文在线 基于粒子群算法的细菌觅食全局优化算法1 刘小龙，李荣钧 华南理工大学 工商管理学院，广州 (510640) E-mail:810963@ 摘 要：针对细菌觅食算法在优化过程中，环境感知能力较弱且容易陷入局部极值的缺陷， 将粒子群算法的基本思想引入细菌觅食算法中，改进原算法的收敛速度和收敛能力，并据此 建立了混合型的细菌觅食优化算法。为检验混合算法的性能，采用三种典型的高维复杂标准 函数对这三种仿生算法进行了测试。结果表明，新算法具有良好的搜索速度与精度，可以有 效弥补细菌觅食算法的速度不快和粒子群算法的精度不高缺陷，同时部分的避免了局部收敛 的问题，从而适用于解决复杂函数的优化。 关键词：粒子群算法；细菌觅食优化；混合优化算法 1 引 言 近年来，基于生物智能的启发式寻优算法已成为非线性、不可微分、多峰值、复杂问题 的主流解决算法之一。在启发式算法的解决方法上，受自然界生物觅食行为的启发，各国不 同的学者从中开发了许多不同的仿生算法，Dorigo M.等于1991 年提出了蚁群优化算法(Ant Colonies Optimization, ACO)[1] ，Eberhart 和 Kennedy 于 1995 年提出了粒子群优化算法 (Particle Swarm Optimization, PSO)[2] 。Passino 等于2002 年提出了细菌觅食算法(Biomimicry of Bacterial Foraging Optimization, BFO)[3]，该算法因具有群体智能并行搜索、易跳出局部极 小值等优点，成为国外仿生算法研究领域的又一热点。鉴于国内对该算法的研究处于起步阶 段，而该算法由于细菌趋化行为的随机性特征，导致趋化速度较慢，效率低下的缺陷，为了 弥补这一缺陷，借助于不同智能仿生方法的某些共同机制和原理，利用某些仿生算法的内部 运行机制的差异，进行算法的融合设计，成为了算法改进的自然途径。 2 基于粒子群算法的细菌觅食优化设计 2.1 粒子群算法 1995 年，J.Kennedy 和R.C.Eberhartp 在他们提交给IEEE 神经网络国际会议的论文中首 次提出了粒子群优化算法（PSO ）。PSO 是一种基于群集智能方法的演化计算技术，算法产 生于一组初始解，通过迭代搜寻最优值，迭代过程中粒子始终追随个体极值和群体极值。同 其它智能算法一样，PSO 算法的粒子在运算后期，由于缺乏有效机制跳出局部极值，容易 发生“早熟”现象，因此其特征可以用速度较快、精度稍低来描述。 假设所求问题维数为D ，种群规模为m。粒子群优化算法首先初始化一群随机粒子（m 个随机解），假设用xi 表示第i 个粒子的位置，则 xi (xi1,xi2 ,L,xid ,L,xiD ) 每个粒子的位置都代表所求问题的一个候选解，这些解的好坏由适应度函数值决定，粒 子在搜索时，由速度决定更新的方向和距离。用pi 表示第i 个粒子的历史最优位置，pg 表 示整个种群的历史最优位置，vi 表示第i 个粒子的速度，则： 粒子的位置和速度根据如下方程进行更新： 1 本课题受高等学校博士学科点专项科研基金资助，项目编号：20060561002 - 1 - 中国科技论文在线 ⎧k +1 k k k k k =+ − + − v ωv c ξ( p x ) c η( p x ) ⎪id id 1 id id 2 gd id ⎨ k +1 k k +1 x x =+v ⎪⎩id id id （1） k k